計算智能方法在非合作信號參量估計中的應(yīng)用研究.pdf

1、極大似然估計是統(tǒng)計中最重要，應(yīng)用最廣泛的方法之一，在理論上是最優(yōu)的，是有效的一致性估計。在理論上極大似然可以獲得最優(yōu)的性能，但實現(xiàn)這種估計的算法是極其繁重的，需要進行多變量非線性最大值的全局搜索，其搜索的運算量驚人。這個問題是MLE方法應(yīng)用的瓶頸問題，在現(xiàn)有芯片條件下，沒有可實現(xiàn)性。而計算智能算法的主要應(yīng)用對象是優(yōu)化問題的難解問題，也就是優(yōu)化理論中的NP問題。有鑒于此，本論文根據(jù)在非合作參數(shù)估計中的實際情況，把計算智能的禁忌搜索算法、混

2、沌尋優(yōu)算法、遺傳算法及其改進算法適宜的用在DS/SS信號的PN碼的極大似然估計和多信號源的波達方向的極大似然估計這兩個難解的優(yōu)化問題。
　　本論文主要包括以下創(chuàng)新之處：
　?。?）研究了非合作情況下DS/SS信號的擴頻碼估計的極大似然模型。PN碼估計的極大似然方法是一個組合優(yōu)化問題，其最優(yōu)的估計就是遍歷所有可能的輸入組合，這是一個NP問題。
　　（2）提出了一種基于禁忌搜索的DS/SS信號的PN碼估計算法。該方法利用禁

3、忌搜索的全局尋優(yōu)能力來處理PN碼的極大似然估計這個NP問題。這種方法即使是在很低的信噪比下（如-18db）也具有很好的估計性能。算法對擴頻碼本身的特性沒有任何先驗知識要求，對信息碼除需要知道碼元寬度外也不需要任何先驗知識。算法具有多項式計算復(fù)雜度，并且在低的數(shù)據(jù)采樣窗口數(shù)下可獲得比特征分析法好的性能。
　　（3）提出一種基于改進的混沌尋優(yōu)的DS/SS信號的PN碼估計算法。該算法利用混沌載波的方法進行粗搜索，而求得一個近似最優(yōu)解；然

4、后通過簡單的局部鄰域搜索進行細搜索來獲得全局最優(yōu)解。該算法除了具有基于禁忌搜索的DS/SS信號的PN碼估計的優(yōu)良性能外，由于采用的是連續(xù)優(yōu)化的思想，故在優(yōu)化過程中需要計算的候選解的個數(shù)大大減少，比采用禁忌搜索來估計PN碼的計算量大大減少。
　　（4）提出一種基于聯(lián)姻策略的梯度并行遺傳算法的DS/SS信號的PN碼估計算法。該算法采用了聯(lián)姻策略、類似梯度的復(fù)制算子和邏輯交叉變異算子，這就使得算法既能快速收斂也能避免早熟。相對于基于禁忌

5、搜索的DS/SS信號的PN碼估計的四次方的計算復(fù)雜度，此種方法具有立方復(fù)雜度。由于是多種群進化故可以在實現(xiàn)上采用并行的方式，這樣就大大的提高了算法的實時性。
　?。?）針對特征分析法需要進行特征值分解而帶來的計算量大的問題提出了用子空間迭代的快速計算方法來估計DS/SS信號的PN碼，避免了特征值分解，在性能和計算量之間進行折衷。相對于特征分析法的立方復(fù)雜度，子空間迭代方法具有平方復(fù)雜度。而子空間迭代的性能較特征分析法只在低性噪比和

6、少數(shù)據(jù)采樣窗口數(shù)下有一些損失。
　　（6）提出一種基于QR分解的快速計算方法來估計DS/SS信號的PN碼。該方法利用數(shù)據(jù)協(xié)方差矩陣的特殊結(jié)構(gòu)通過矩陣變換求得信號子空間的粗略估計，然后對粗估得到的信號子空間進行一次QR分解而得到需要估計的擴頻碼。這種方法由于是采用了部分的協(xié)方差矩陣的信息，從而性能上有一定的惡化，但由于只進行一次QR分解，而不需要子空間迭代算法中的循環(huán)，故計算量進一步的減少。在某些對實時性要求強而容許一定的性能惡化的

7、應(yīng)用背景中是值得推薦的一種算法。
　　（7）提出了一種基于禁忌搜索的DOA估計算法。從我們的研究可以得出，作為一種啟發(fā)式搜索算法，禁忌搜索算法應(yīng)用于實現(xiàn)DOA的極大似然估計是一種全局優(yōu)化算法，能夠跳出局部極值。禁忌搜索能在較小的計算代價下獲得與AP算法相比的性能，特別在相干的情況下禁忌搜索能以大約39.3％的計算量獲得比AP算法0.6度左右的提高。故用禁忌搜索算法實現(xiàn)DOA估計是一種有效可行的算法。
　　（8）結(jié)合混沌尋優(yōu)的

8、全局尋優(yōu)能力和極大似然估計的優(yōu)良性能，提出了兩種基于混沌尋優(yōu)的DOA估計算法，即隨機初值的混沌優(yōu)化算法和一維優(yōu)化值為初值的混沌算法兩種估計算法。相對于禁忌搜索方法而言，該方法避免了其編解碼的運算和大的矩陣的存儲和計算。在相干信號的情況下，算法的性能較禁忌搜索算法有進一步的改善。并且由于混沌優(yōu)化算法內(nèi)在的并行性決定了提出的兩種算法的并行性，而不像AP算法的搜索是基于前一次的搜索結(jié)果進行的，故在硬件實現(xiàn)中，可采用并行實現(xiàn)的方式來進一步提高搜